著者: クリプト、蒸留
編集者: Deep Wave TechFlow
暗号と AI: これで終わりなのでしょうか?
2023年、かつてWeb3-AIが話題になった。
しかし今日では、模倣者や本当の目的のない巨大プロジェクトが溢れています。
ここでは、避けるべき落とし穴と何に焦点を当てるべきかを示します。
概要
IntoTheBlock CEO の @jrdothought は最近、投稿で自身の洞察を共有しました。
彼は次のように議論しました。
a. Web3-AI の主要な課題
b. 過剰に宣伝される傾向
c. 高い可能性を秘めたトレンド
重要なポイントをすべて抽出しました。確認してみましょう：
市場状況
現在の Web3-AI 市場は過大評価され、資金が投入されています。
多くのプロジェクトは、AI 業界の実際のニーズから切り離されています。
この断絶は混乱を生みますが、洞察力のある人にとってはチャンスも生み出します。
(@coinbase の功績です)
コアチャレンジ
Web2 AI と Web3 AI の間のギャップは、次の 3 つの主な理由により拡大しています。
AI研究の人材は限られている
制約のあるインフラストラクチャ
モデル、データ、コンピューティング リソースが不十分
生成 AI の基礎
生成 AI は、モデル、データ、コンピューティング リソースという 3 つの主要な要素に依存します。
現在、Web3 インフラストラクチャ用に最適化された主要なモデルはありません。
当初の資金は、AI の現実から切り離された多くの Web3 プロジェクトをサポートしました。
過大評価される傾向
誇大宣伝にもかかわらず、Web3-AI のトレンドすべてが注目に値するわけではありません。
@jrdothoughts が最も過大評価されていると考えている傾向のいくつかを以下に示します。
a. 分散型 GPU ネットワーク
b. ZK-AIモデル
c. 推論の証明 (@ModulusLabs に感謝)
分散型 GPU ネットワーク
これらのネットワークは、AI トレーニングの民主化を約束します。
しかし現実には、分散型インフラストラクチャ上で大規模なモデルをトレーニングするのは時間がかかり、非現実的です。
この傾向はまだその高い約束を果たしていません。
ゼロ知識AIモデル
ゼロ知識 AI モデルは、プライバシー保護の観点から魅力的に見えます。
しかし実際には、計算コストが高く、解釈が困難です。
このため、大規模なアプリケーションには実用的ではありません。
(@oraprotocol のクレジット)
写真の情報:
b) 現在、オーバーヘッドは最大 1000 倍です。
ただし、このアプローチは、特に Vitalik が説明したようなユースケースでは、実用的とは程遠いです。以下にいくつかの例を示します。
zkML フレームワーク EZKL では、1M-nanoGPT モデルのプルーフを生成するのに約 80 分かかります。
Modulus Labs によると、zkML のオーバーヘッドは純粋な計算の 1,000 倍以上であり、最新のレポートでは 1,000 倍であることが示されています。
EZKL ベンチマークによると、RISC Zero のランダム フォレスト分類タスクにおける平均証明時間は 173 秒です。
推論の証拠
推論証明フレームワークは、AI 出力の暗号証明を提供します。
ただし、@jrdothoughts は、これらのソリューションが存在しない問題を解決すると信じています。
したがって、実際の用途は限られています。
潜在性の高いトレンド
一部のトレンドは過剰に宣伝されていますが、他のトレンドには大きな可能性があります。
ここでは、本当のチャンスをもたらす可能性がある、過小評価されているトレンドをいくつか紹介します。
a. ウォレットを備えた AI エージェント
b. 仮想通貨ファンドAI
c. 小型基本モデル
d. 合成データの生成
ウォレットを備えた AI エージェント
AI エージェントが暗号通貨を通じて金融機能を備えていると想像してください。
これらのエージェントは、品質を確保するために他のエージェントを雇用したり、資金を出資したりすることができます。
@vitalikbuterin が言及したように、もう 1 つの興味深いアプリケーションは「予測エージェント」です。
仮想通貨ファンドAI
生成 AI プロジェクトは資金不足に直面することがよくあります。
エアドロップやインセンティブなど、暗号通貨の効率的な資本形成方法は、オープンソース AI プロジェクトに重要な財政的サポートを提供します。
これらの手法はイノベーションの推進に役立ちます。 (@oraprotocol のクレジット)
小型ベーシックモデル
Microsoft の Phi モデルなどの小規模な基本モデルは、少ないほど豊かであるという考えを示しています。
1B ～ 5B パラメータを持つモデルは分散型 AI にとって重要であり、強力なオンデバイス AI ソリューションを可能にします。
(出典: @microsoft)
合成データの生成
データの不足は、AI の開発に対する主な障害の 1 つです。
基本モデルを通じて生成された合成データは、実世界のデータセットを効果的に補完できます。
誇大広告を乗り越える
初期の Web3-AI ブームは、いくつかの非現実的な価値提案に焦点を当てていました。
@jrdthoughts は、実際に機能するソリューションの構築に焦点を当てる時期が来たと信じています。
注目が移りつつある中、AI の分野には依然としてチャンスが溢れており、鋭い目で発見されるのを待っています。
この記事は教育のみを目的としており、経済的なアドバイスではありません。貴重な洞察を提供してくれた @jrdothoughts に感謝します。